CN109409570A - 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 - Google Patents

电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 Download PDF

Info

Publication number
CN109409570A
CN109409570A CN201811101491.3A CN201811101491A CN109409570A CN 109409570 A CN109409570 A CN 109409570A CN 201811101491 A CN201811101491 A CN 201811101491A CN 109409570 A CN109409570 A CN 109409570A
Authority
CN
China
Prior art keywords
power load
cluster
building
value
day
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811101491.3A
Other languages
English (en)
Inventor
李弦
阮晓雯
徐亮
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811101491.3A priority Critical patent/CN109409570A/zh
Publication of CN109409570A publication Critical patent/CN109409570A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本方案涉及智能决策，提供一种基于聚类算法的建筑物日用电负荷预测方法，该方法包括：分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值；根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。此外，本发明还提出一种电子装置及存储介质。

Description

电子装置、基于聚类算法的建筑物日用电负荷预测方法及存 储介质
技术领域
本发明涉及电力数据预测领域，尤其涉及一种电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质。
背景技术
随着智能电网的发展，智能电网的建设和规划所依据的基础数据变得越来越复杂以及多样化，而建筑物的电力消耗数据是智能电网建设和规划所需的基础数据之一。
目前，为了能够准确地预测出建筑物的电力消耗数据，提出了一些大数据预测模型。但是由于建筑物的电力消耗数据在对应不同的类型日(类型日包括工作日、周末以及节假日)具有不同的周期性和规律性，且不同类型日的电力消耗数据差异很大，因此，导致大数据预测模型的训练过程较复杂，数据处理量大，且针对不同类型日需要建立不同的预测模型，整个过程耗时较长。
发明内容
有鉴于此，本发明提出一种电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质，不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。
首先，为实现上述目的，本发明提出一种电子装置，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于聚类算法的建筑物日用电负荷预测程序，所述基于聚类算法的建筑物日用电负荷预测程序被所述处理器执行时实现如下步骤：
A1、分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
A2、根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
A3、若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
A4、若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
优选地，在所述步骤A2中，所述根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群的步骤，包括：
根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；
根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
优选地，所述步骤A3，包括：
若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
优选地，所述步骤A4，包括：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
优选地，所述根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理的步骤，包括：
A11、输入确定的聚类参数k以及用电负荷值的样本集，其中所述参数k为聚类个数，所述用电负荷值的样本集为所述用电负荷向量集；
A22、从所述用电负荷向量集中任意选取两个向量作为初始聚类中心；
A33、根据距离最小计算公式，分别计算所述用电负荷向量集中其他向量与所述初始聚类中心的距离，根据计算得到的距离将所述用电负荷向量集中其他向量对应分配到距离最近的聚类中心，其中，所述距离最小计算公式为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差；
A44、重新计算各个初始聚类中心对应簇的中心，得到新的聚类中心；
A55、根据新的聚类中心，循环执行S33和S34，直至满足距离准则函数为止，其中，所距离准则函数为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差。
此外，为实现上述目的，本发明还提出一种基于聚类算法的建筑物日用电负荷预测方法，所述方法包括如下步骤：
S1、分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
S2、根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
S3、若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
S4、若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
优选地，在所述步骤S2中，所述根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群的步骤，包括：
根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；
根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
优选地，所述步骤S3，包括：
若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
优选地，所述步骤S4，包括：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
此外，为了解决上述技术问题，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有基于聚类算法的建筑物日用电负荷预测程序，所述基于聚类算法的建筑物日用电负荷预测程序可被至少一个处理器执行，以使所述至少一个处理器执行如上所述的基于聚类算法的建筑物日用电负荷预测方法的步骤。
本发明所提出的电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质，通过分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。
附图说明
图1是本发明提出的电子装置一可选的硬件架构的示意图；
图2是本发明电子装置一实施例中基于聚类算法的建筑物日用电负荷预测程序的程序模块示意图；
图3是本发明基于聚类算法的建筑物日用电负荷预测方法较佳实施例的实施流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明提出的电子装置一可选的硬件架构示意图。本实施例中，电子装置10可包括，但不仅限于，可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，存储器11至少包括一种类型的计算机可读存储介质，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子装置10的内部存储单元，例如电子装置10的硬盘或内存。在另一些实施例中，存储器11也可以是电子装置10的外包存储设备，例如电子装置10上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中，存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件，例如基于聚类算法的建筑物日用电负荷预测程序等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的基于聚类算法的建筑物日用电负荷预测程序等。
网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
通信总线14用于实现组件11-13之间的通信连接。
图1仅示出了具有组件11-14以及基于聚类算法的建筑物日用电负荷预测程序的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，电子装置10还可以包括用户接口(图1中未示出)，用户接口可以包括显示器、输入单元比如键盘，其中，用户接口还可以包括标准的有线接口、无线接口等。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地，显示器也可称为显示屏或显示单元，用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
可选地，在一些实施例中，电子装置10还可以包括音频单元(音频单元图1中未示出)，音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将接收的或者存储的音频数据转换为音频信号；进一步地，电子装置10还可以包括音频输出单元，音频输出单元将音频单元转换的音频信号输出，而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等)，音频输出单元可以包括扬声器、蜂鸣器等等。
可选地，在一些实施例中，电子装置10还可以包括警报单元(图中未示出)，警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外，警报单元可以以不同的方式提供输出以通知事件的发生。例如，警报单元可以以震动的形式提供输出，当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时，警报单元可以提供触觉输出(即，振动)以将其通知给用户。
在一实施例中，存储器11中存储的基于聚类算法的建筑物日用电负荷预测程序被处理器12执行时，实现如下操作：
A1，分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
具体地，所述预先确定的建筑物可以是医院的住院大楼、门诊大楼、也可以是学校教室、政府机构的行政大楼、各种商场等等。可以理解的是，由于人类社会活动的规律，例如周一至周五上班称为工作日，周六周天休息，称为双休日，节假日度假等等，使得同一建筑物在不同类型日(类型日包括工作日和非工作日，在本实施例中，所述非工作日包括节假日和双休日)的历史电流负荷曲线不同，且在同一类型日的历史电流负荷曲线具有周期性特点，因此，在建筑物用电负荷预测分析中，可以对各类型日的用电负荷曲线分别进行识别，以提高建筑物用电负荷预测的准确性，方便用电管理系统进行节能管理；进一步地，在本实施例中，所述预定义时间段至少包括两年，例如所述预定义时间段为K年，则K≥2；所述预定义单位时间可以是每小时，也可以是每时刻。
A2，根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
具体地，在本实施例中，首先根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；然后根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
具体地，在本实施例中，所述预先确定的归一化处理方式包括：
将获取的各日的用电负荷值按照日期进行排列，生成具有时间序列的各日电力消耗值对应的第一向量；
将生成的各个第一向量分别代入预先确定的归一化处理公式L(i,t)＝(P(i,t)-Pmin)/(Pmax-Pmin)，进行归一化处理，以得到对应的归一化处理之后的各个第一向量对应的第二向量；其中，L(i,t)表示归一化后的数据，Pmax表示各第一向量中的最大电力消耗值，Pmin表示各第二向量中的最小电力消耗值，P(i,t)表示各第一向量中的电力消耗值；
删除所述第二向量中相同的向量，以得到归一化处理之后的用电负荷向量集。
需要说明的是，由于建筑物的用电负荷具有一定的周期性和差异性，因此，在本实施例中，通过归一化处理，将各日相同的用电负荷删除，以提高计算的速度且不影响准确性。
进一步地，在本实施例中，所述预先确定的聚类算法为K-means算法；其中，K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终聚类目标。具体地，在本实施例中，所述根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理的步骤包括：
A11、输入确定的聚类参数k以及用电负荷值的样本集，其中所述参数k为聚类个数，在本实施例中K的取值为2，所述用电负荷值的样本集为所述用电负荷向量集；
A22、从所述用电负荷向量集中任意选取两个向量作为初始聚类中心；
A33、根据距离最小计算公式，分别计算所述用电负荷向量集中其他向量与所述初始聚类中心的距离，根据计算得到的距离将所述用电负荷向量集中其他向量对应分配到距离最近的聚类中心；
具体地，在本实施例中，所述距离最小计算公式为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差；
A44、重新计算各个初始聚类中心对应簇的中心，得到新的聚类中心；
A55、根据新的聚类中心，循环执行S33和S34，直至满足距离准则函数为止。
具体地，在本实施例中，所距离准则函数为：
A3，若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
具体地，在本实施例中，所述步骤A3可以为：若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
需要说明的是，所述标幺值是相对单位制的一种。(标幺值)是电力系统分析和工程计算中常用的数值标记方法，表示各物理量及参数的相对值，单位为pu(也可以认为其无量纲，是归一化之后的数值)。在本实施例中，所述用电负荷的第一标幺值为所述第一向量集群的聚类中心对应的用电负荷向量。
A4，若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
具体地，所述步骤A4可以为：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
同上所述，所述用电负荷的第二标幺值为所述第二向量集群的聚类中心对应的用电负荷向量。
进一步地，所述反归一化处理的步骤包括：
将预测得到的第一标幺值，或者第二标幺值代入预先确定的反归一化处理公式进行反归一化处理，以得到所述预测日的预测用电负荷值；具体地，所述预先确定的反归一化处理公式为：P(i,t)＝L(i,t)×(Pmax-Pmin)+Pmin)；其中，L(i,t)表示所述第一标幺值，或者所述第二标幺值，所述Pmax表示所述第一标幺值，或者所述第二标幺值对应的用电负荷向量中的最大电力消耗值，Pmin表示所述第一标幺值，或者所述第二标幺值对应的用电负荷向量中的最小电力消耗值。
由上述事实施例可知，本发明提出的电子装置，通过分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。
此外，本发明的基于聚类算法的建筑物日用电负荷预测程序依据其各部分所实现的功能不同，可用具有相同功能的程序模块进行描述。请参阅图2所示，是本发明电子装置一实施例中基于聚类算法的建筑物日用电负荷预测程序的程序模块示意图。本实施例中，基于聚类算法的建筑物日用电负荷预测程序依据其各部分所实现的功能的不同，可以被分割成获取模块201、处理模块202、第一预测模块203以及第二预测模块204。由上面的描述可知，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述基于聚类算法的建筑物日用电负荷预测程序在电子装置10中的执行过程。所述模块201-204所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
获取模块201用于分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
处理模块202用于根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
第一预测模块203用于在若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
第二预测模块204用于在若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
此外，本发明还提出一种基于聚类算法的建筑物日用电负荷预测方法，请参阅图3所示，所述基于聚类算法的建筑物日用电负荷预测方法包括如下步骤：
S301，分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
具体地，所述预先确定的建筑物可以是医院的住院大楼、门诊大楼、也可以是学校教室、政府机构的行政大楼、各种商场等等。可以理解的是，由于人类社会活动的规律，例如周一至周五上班称为工作日，周六周天休息，称为双休日，节假日度假等等，使得同一建筑物在不同类型日(类型日包括工作日和非工作日，在本实施例中，所述非工作日包括节假日和双休日)的历史电流负荷曲线不同，且在同一类型日的历史电流负荷曲线具有周期性特点，因此，在建筑物用电负荷预测分析中，可以对各类型日的用电负荷曲线分别进行识别，以提高建筑物用电负荷预测的准确性，方便用电管理系统进行节能管理；进一步地，在本实施例中，所述预定义时间段至少包括两年，例如所述预定义时间段为K年，则K≥2；所述预定义单位时间可以是每小时，也可以是每时刻。
S302，根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
具体地，在本实施例中，首先根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；然后根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
具体地，在本实施例中，所述预先确定的归一化处理方式包括：
将获取的各日的用电负荷值按照日期进行排列，生成具有时间序列的各日电力消耗值对应的第一向量；
将生成的各个第一向量分别代入预先确定的归一化处理公式L(i,t)＝(P(i,t)-Pmin)/(Pmax-Pmin)，进行归一化处理，以得到对应的归一化处理之后的各个第一向量对应的第二向量；其中，L(i,t)表示归一化后的数据，Pmax表示各第一向量中的最大电力消耗值，Pmin表示各第二向量中的最小电力消耗值，P(i,t)表示各第一向量中的电力消耗值；
删除所述第二向量中相同的向量，以得到归一化处理之后的用电负荷向量集。
需要说明的是，由于建筑物的用电负荷具有一定的周期性和差异性，因此，在本实施例中，通过归一化处理，将各日相同的用电负荷删除，以提高计算的速度且不影响准确性。
进一步地，在本实施例中，所述预先确定的聚类算法为K-means算法；其中，K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终聚类目标。具体地，在本实施例中，所述根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理的步骤包括：
S11、输入确定的聚类参数k以及用电负荷值的样本集，其中所述参数k为聚类个数，在本实施例中K的取值为2，所述用电负荷值的样本集为所述用电负荷向量集；
S22、从所述用电负荷向量集中任意选取两个向量作为初始聚类中心；
S33、根据距离最小计算公式，分别计算所述用电负荷向量集中其他向量与所述初始聚类中心的距离，根据计算得到的距离将所述用电负荷向量集中其他向量对应分配到距离最近的聚类中心；
具体地，在本实施例中，所述距离最小计算公式为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差；
S44、重新计算各个初始聚类中心对应簇的中心，得到新的聚类中心；
S55、根据新的聚类中心，循环执行S33和S34，直至满足距离准则函数为止。
具体地，在本实施例中，所距离准则函数为：
S303，若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
具体地，在本实施例中，所述步骤S303可以为：若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
需要说明的是，所述标幺值是相对单位制的一种。(标幺值)是电力系统分析和工程计算中常用的数值标记方法，表示各物理量及参数的相对值，单位为pu(也可以认为其无量纲，是归一化之后的数值)。在本实施例中，所述用电负荷的第一标幺值为所述第一向量集群的聚类中心对应的用电负荷向量。
S304，若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
具体地，所述步骤S304可以为：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
同上所述，所述用电负荷的第二标幺值为所述第二向量集群的聚类中心对应的用电负荷向量。
进一步地，所述反归一化处理的步骤包括：
将预测得到的第一标幺值，或者第二标幺值代入预先确定的反归一化处理公式进行反归一化处理，以得到所述预测日的预测用电负荷值；具体地，所述预先确定的反归一化处理公式为：P(i,t)＝L(i,t)×(Pmax-Pmin)+Pmin)；其中，L(i,t)表示所述第一标幺值，或者所述第二标幺值，所述Pmax表示所述第一标幺值，或者所述第二标幺值对应的用电负荷向量中的最大电力消耗值，Pmin表示所述第一标幺值，或者所述第二标幺值对应的用电负荷向量中的最小电力消耗值。
由上述事实施例可知，本发明提出的基于聚类算法的建筑物日用电负荷预测方法，通过分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于聚类算法的建筑物日用电负荷预测程序，所述基于聚类算法的建筑物日用电负荷预测程序被处理器执行时实现如下操作：
分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
本发明计算机可读存储介质，其具体实施过程与电子装置以及基于聚类算法的建筑物日用电负荷预测方法类似，在此不再赘述。
通过上述分析可知，本发明的计算机可读存储介质，通过分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。不仅提高了预测的速度和准确性，且能够根据工作日和非工作日的用电负荷值进行用电节能管理。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于聚类算法的建筑物日用电负荷预测程序，所述基于聚类算法的建筑物日用电负荷预测程序被所述处理器执行时实现如下步骤：
A1、分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
A2、根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
A3、若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
A4、若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
2.如权利要求1所述的电子装置，其特征在于，在所述步骤A2中，所述根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群的步骤，包括：
根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；
根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
3.如权利要求2所述的电子装置，其特征在于，所述步骤A3，包括：
若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
4.如权利要求2所述的电子装置，其特征在于，所述步骤A4，包括：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
5.如权利要求2-4任一所述的电子装置，其特征在于，所述根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理的步骤，包括：
A11、输入确定的聚类参数k以及用电负荷值的样本集，其中所述参数k为聚类个数，所述用电负荷值的样本集为所述用电负荷向量集；
A22、从所述用电负荷向量集中任意选取两个向量作为初始聚类中心；
A33、根据距离最小计算公式，分别计算所述用电负荷向量集中其他向量与所述初始聚类中心的距离，根据计算得到的距离将所述用电负荷向量集中其他向量对应分配到距离最近的聚类中心，其中，所述距离最小计算公式为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差；
A44、重新计算各个初始聚类中心对应簇的中心，得到新的聚类中心；
A55、根据新的聚类中心，循环执行S33和S34，直至满足距离准则函数为止，其中，所距离准则函数为：
其中，i为所述用电负荷向量集中的其他向量，所述μ为各个初始聚类中心对应簇中各个向量的方差。
6.一种基于聚类算法的建筑物日用电负荷预测方法，其特征在于，所述方法包括如下步骤：
S1、分别获取预先确定的建筑物在预定义时间段内各日的用电负荷值，所述用电负荷值包括各日在预定义单位时间的电力消耗值；
S2、根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群；
S3、若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷值；
S4、若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷值。
7.如权利要求6所述的基于聚类算法的建筑物日用电负荷预测方法，其特征在于，在所述步骤S2中，所述根据预先确定的聚类算法对各日在预定义单位时间的电力消耗值进行聚类处理，以得到第一用电负荷集群和第二用电负荷集群的步骤，包括：
根据预先确定的归一化处理方式分别对获取的各日在预定义单位时间的电力消耗值进行归一化处理，以得到归一化处理之后的用电负荷向量集；
根据预先确定的聚类算法对所述用电负荷向量集中各个向量进行聚类处理，以得到第一向量集群和第二向量集群，其中，所述第一向量集群为该建筑物在工作日的用电负荷集群，所述第二向量集群为该建筑物在非工作日的用电负荷集群。
8.如权利要求7所述的基于聚类算法的建筑物日用电负荷预测方法，其特征在于，所述步骤S3，包括：
若需预测建筑物在某工作日的用电负荷，则根据所述第一用电负荷集群的聚类中心，预测出该工作日的用电负荷的第一标幺值；
对预测得到的第一标幺值进行反归一化处理，以得到该工作日的预测用电负荷值。
9.如权利要求8所述的基于聚类算法的建筑物日用电负荷预测方法，其特征在于，所述步骤S4，包括：
若需预测建筑物在某非工作日的用电负荷，则根据所述第二用电负荷集群的聚类中心，预测出该非工作日的用电负荷的第二标幺值；
对预测得到的第二标幺值进行反归一化处理，以得到该非工作日的预测用电负荷值。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有基于聚类算法的建筑物日用电负荷预测程序，所述基于聚类算法的建筑物日用电负荷预测程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求6-9中任一项所述的基于聚类算法的建筑物日用电负荷预测方法的步骤。
CN201811101491.3A 2018-09-20 2018-09-20 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 Pending CN109409570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811101491.3A CN109409570A (zh) 2018-09-20 2018-09-20 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811101491.3A CN109409570A (zh) 2018-09-20 2018-09-20 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质

Publications (1)

Publication Number Publication Date
CN109409570A true CN109409570A (zh) 2019-03-01

Family

ID=65465173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811101491.3A Pending CN109409570A (zh) 2018-09-20 2018-09-20 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质

Country Status (1)

Country Link
CN (1) CN109409570A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091223A (zh) * 2019-10-30 2020-05-01 华电电力科学研究院有限公司 一种基于物联网智能感知技术的配变短期负荷预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203683A (zh) * 2016-06-29 2016-12-07 西安美林数据技术股份有限公司 一种电力客户用电负荷预测系统的建模方法
CN107591803A (zh) * 2017-09-21 2018-01-16 国网上海市电力公司 一种基于需求响应的电力负荷行为预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203683A (zh) * 2016-06-29 2016-12-07 西安美林数据技术股份有限公司 一种电力客户用电负荷预测系统的建模方法
CN107591803A (zh) * 2017-09-21 2018-01-16 国网上海市电力公司 一种基于需求响应的电力负荷行为预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091223A (zh) * 2019-10-30 2020-05-01 华电电力科学研究院有限公司 一种基于物联网智能感知技术的配变短期负荷预测方法
CN111091223B (zh) * 2019-10-30 2023-08-04 华电电力科学研究院有限公司 一种基于物联网智能感知技术的配变短期负荷预测方法

Similar Documents

Publication Publication Date Title
CN107515890A (zh) 一种识别常驻点的方法及终端
CN107924541B (zh) 用于管理能量消耗的方法和设备
CN109523187A (zh) 任务调度方法、装置和设备
CN109377406A (zh) 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质
CN111435482A (zh) 一种外呼模型的构建方法、外呼方法、装置和存储介质
CN107608748B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN109410068A (zh) 电子装置、基于XGBoost的电力数据缺失值填充方法及存储介质
CN103189853A (zh) 用于提供高效情境分类的方法和装置
CN107748697B (zh) 应用关闭方法、装置、存储介质及电子设备
CN110473633A (zh) 健康信息管理方法、装置、介质及电子设备
CN107861603A (zh) 功耗控制方法及设备
CN110895495A (zh) 人因失误分析方法、系统、计算机设备及存储介质
CN107885544A (zh) 应用程序管控方法、装置、介质及电子设备
CN112288163A (zh) 目标对象的目标因子预测方法及相关设备
CN110232450A (zh) 一种变电站检修的安全管控方法、系统及终端设备
CN109447674A (zh) 电子装置、保险代理人目标服务区域确定方法及存储介质
CN108492137A (zh) 电话外呼分析控制方法、电子装置及可读存储介质
CN107463380A (zh) 消息处理方法、装置及电子设备
CN109214578A (zh) 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质
CN109559218A (zh) 一种异常交易的确定方法、装置及存储介质
CN109783622A (zh) 一种基于问题分类确定问题答案方法、装置及电子设备
CN109409570A (zh) 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质
CN113886721A (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
CN107332986A (zh) 获取天气信息的方法、装置和终端
CN109902486A (zh) 电子装置、异常用户处理策略智能决策方法及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190301

RJ01 Rejection of invention patent application after publication